[发明专利]一种基于特征证据离散化的旋转机械故障特征约简方法

说明书

本发明提出一种基于特征证据离散化的旋转机械故障特征约简方法，首先利用K均值将原始测量数据聚为T个数据簇，再使用随机模糊变量模型对每个数据簇建模，匹配得到每个测量值的证据，根据决策规则决定测量值转换后的离散值并得到决策表，此时故障特征为条件属性，样本的故障模式为决策属性；计算压缩二进制矩阵获取核属性，分别计算剩余条件属性与核属性集合并集的似真信度，将具有最小似真信度并集对应的条件属性添加至核属性集合中，直至最小似真信度为1时停止，同时得到最终的约简结果。本发明做离散化处理时，考虑到数据簇之间的边界模糊性，相比单一使用K均值，离散处理更加精准，同时压缩二进制矩阵减少了计算量和存储空间。

技术领域

本发明涉及一种基于特征证据离散化的旋转机械故障特征约简方法，并应用于旋转机械设备故障诊断，属于旋转机械设备故障监控与诊断技术领域。

背景技术

故障诊断是提高系统可靠性和降低事故风险的重要方法，然而基于单传感器的监控诊断技术已无法获得足够可靠的信息用于结构日益复杂的大型设备的诊断需求。随着传感器技术的发展以及计算机的存储和计算能力的提升，大量的监测数据可以通过安装在设备上的多传感器系统获取，但若将所有的监测数据用于故障诊断，则会造成计算量过大，严重影响诊断的实时性。

由于故障的发生具有不确定性，同时故障发生的成因较为复杂，通常同一故障可以表现出多种特征，同一故障特征可能是由不同故障引起；并且这些故障特征具有不精确、无规律、冗余性等特点。为了进一步提高故障诊断的效率，有必要对监测数据进行约简处理，而粗糙集正是一种处理不精确、不确定以及不完备数据的有效数学工具，它在尽量不影响故障特征(条件属性)的分类诊断能力的情况下，删除不相关或不重要的故障特征。

发明内容

本发明的目的是提出一种基于特征证据离散化的旋转机械故障特征约简方法，并应用于旋转机械设备故障诊断，克服了多传感器监测技术中故障特征选取问题。由于通过传感器采集到的数据都是连续型实值，而粗糙集只能处理离散化的数据，因此首先利用K均值和随机模糊变量对采集的数据进行离散化处理获得决策表便于粗糙集处理，再使用压缩二进制矩阵求得核属性(故障特征)集，通过粗糙集的上近似概念分别计算出剩余属性与核属性集的并集的似真信度，将具有最小似真信度并集对应的属性添加至核属性集合中，继续按照上述步骤向核属性集中添加剩余属性，直至满足最终条件，并获得约简结果。

本发明提出的基于特征证据离散化的旋转机械故障特征约简方法，包括以下各步骤：

(1)首先设定旋转机械设备的故障集合为Θ＝{F₁,…,F_i,…,F_N}，F_i代表故障集合Θ中的第i个故障，i＝1,2,…,N，N为故障个数；x＝{x₁,…,x_j,…,x_m}为测得的故障特征向量，x_j代表第j个特征参数f_j的测量值，j＝1,2,...,m。

(2)在每种故障模式下分别测得n个特征向量x，总共sum＝N*n个特征向量样本组成历史样本集合U＝{x₁,...,x_r,...,x_sum}，其中x_r＝{x_r,1,…,x_r,j,…,x_r,m}，r＝1,2,...,sum。根据故障特征的数据分布设定离散值集合V＝{1,...,t,...,T}，建立故障特征f_j对应的各离散值随机模糊变量模型其中随机模糊变量模型由外部隶属度函数u_out(x)和内部隶属度函数u_in(x)组成，获取中的每个随机模糊变量模型的步骤如下：